Mental Workload Estimation Using Wireless EEG Signals
Notice bibliographique
Résumé
Abstract Previous studies have shown that electroencephalogram (EEG) can be used in estimating mental workload. However, developing fast and reliable models for cross-task, cross-subject and cross-session classifications of workload remains a challenge. In this study, a wireless Emotiv EPOC headset was used to evaluate workload in two different mental tasks: n-back task and mental arithmetic task. 0-back task and 2-back task were employed as low and high workload in the n-back task while 1-digit and 3-digit addition were used as the two different workload levels in the arithmetic task. Using power spectral density as features, a fast signal processing and feature extraction framework was developed to facilitate real-time estimation of workload. Within-session accuracies of 98.5% and 95.5% were achieved in the n-back and arithmetic tasks respectively. Adaptive subspace feature matching (ASFM) was applied for cross-session, cross-task and cross-subject classifications. The feature adaptation provided average cross-session accuracies of 80.5% and 74.4% in the n-back and the arithmetic tasks respectively. An average cross-task accuracy of 68.6% was achieved while cross-subject accuracies were 74.4% and 64.1% in the n-back and arithmetic tasks respectively. The framework generalised well across subjects and tasks, and it provided a promising approach towards developing subject and task-independent models. This study also shows that a consumer-level wireless EEG headset can be applied in cognitive monitoring for real-time estimation of workload in practice.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».